Modèle d'apprentissage automatique centré sur le patient pour le risque hémorragique et ischémique (xDAPT)

La bithérapie antiplaquettaire (DAPT) avec de l'aspirine et un inhibiteur P2Y12 est la norme de soins pour la prévention secondaire après une intervention coronarienne percutanée (ICP). Le DAPT a démontré son efficacité dans la réduction des complications ischémiques (y compris la thrombose du stent) après une ICP, bien qu'au prix d'un risque accru de saignement. Étant donné que les deux types d'événements ont été indépendamment liés à une morbidité et une mortalité excessives, les directives internationales soulignent la nécessité d'adapter la durée et l'intensité du DAPT en fonction du profil de risque ischémique et hémorragique individuel de chaque patient. Dans ce contexte, plusieurs modèles prédictifs de risque d'hémorragie et de thrombose ont été développés dans le but d'orienter les décisions cliniques sur la prise en charge du DAPT post-ICP. Cependant, bon nombre de ces modèles de risque n’ont montré que des performances modestes et une applicabilité limitée dans la pratique clinique réelle. De telles limitations peuvent être attribuées, au moins en partie, aux approches analytiques utilisées pour leur développement, principalement basées sur des modèles linéaires incapables de capturer l'interaction complexe entre les différentes covariables cliniques. Les méthodes d’apprentissage automatique offrent la possibilité de surmonter ces limitations en exploitant des algorithmes informatiques sur de grands ensembles de données qui capturent des relations non linéaires de grande dimension entre les variables. Cependant, la faisabilité et l’utilité des modèles de risque pronostique basés sur l’apprentissage automatique chez les patients ICP restent relativement inexplorées.

La présente étude analysera les données de 11 essais cliniques portant sur environ 19 000 patients subissant une intervention coronarienne percutanée (ICP) avec un stent à élution d'évérolimus pour développer un algorithme basé sur l'apprentissage automatique. L'approbation du comité d'examen institutionnel ou le consentement éclairé du patient n'étaient pas requis car cette étude est une analyse d'essais cliniques précédemment publiés et toutes les données individuelles des patients ont été anonymisées. L'objectif est de prédire la probabilité d'un événement ischémique ou hémorragique jusqu'à 1 an après l'ICP. Les données au niveau des patients provenant des essais cliniques éligibles répertoriés selon le protocole d'acquisition de données d'apprentissage automatique XIENCE (90961902) seront regroupées et réparties au hasard en une cohorte de formation (~ 75 %) et une cohorte de validation (~ 25 %). Il s'agit notamment des études XIENCE parrainées par Abbott et initiées par les chercheurs (c.-à-d. XIENCE V, XIENCE 28 USA, XIENCE 28 GLOBAL, XIENCE 90, ABSORB III, ABSORB IV, Compare ABSORB, Compare Acute, EXAMINATION, SIERRA-75 et ITALIC). Les performances de différents essais de classificateurs d'apprentissage automatique seront comparées aux approches statistiques traditionnelles pour la prédiction des résultats ischémiques et hémorragiques. Le modèle d'apprentissage automatique le plus performant sera ensuite sélectionné et testé par rapport à un objectif de performance prédéfini pour évaluer son utilité clinique. Sur la base de la littérature existante sur les scores de risque établis qui éclairent actuellement la pratique clinique, l'objectif de performance du modèle est fixé à une valeur d'indice C égale ou supérieure à 0,65 à l'intervalle de confiance inférieur de 97,5 % de la distribution bootstrap de l'indice C. Il s'agit de garantir que la valeur réelle de l'indice C se situe toujours dans une plage cliniquement pertinente et de valider l'utilité clinique du modèle de prédiction des risques.